Redisson 3.46.0版本发布:可靠队列与分布式锁增强
项目简介
Redisson是一个基于Redis的Java驻留内存数据网格(In-Memory Data Grid)和分布式服务框架,它为Java开发者提供了丰富的分布式对象和服务,简化了在分布式环境下的编程工作。Redisson通过封装Redis的复杂操作,提供了易用的API,支持分布式锁、集合、队列、原子操作等多种功能。
版本亮点
新增可靠队列功能
3.46.0版本引入了全新的RReliableQueue(可靠队列)对象,这是一个重要的功能增强。可靠队列解决了传统Redis队列在极端情况下可能丢失消息的问题,通过持久化机制确保消息不会丢失。这一特性特别适合对消息可靠性要求高的场景,如金融交易、订单处理等关键业务。
值得注意的是,随着可靠队列的引入,RDelayedQueue和RBoundedBlockingQueue已被标记为废弃状态,开发者应考虑迁移到新的可靠队列实现。
分布式锁功能增强
新版本对分布式锁功能进行了多项改进:
-
新增
fairLockWaitTimeout配置项,允许设置公平锁的等待超时时间,这对于需要严格控制资源访问顺序的场景非常有用。 -
改进了看门狗机制(Watchdog),修复了可重入锁(reentry locks)下的续期问题,确保锁在长时间操作中不会意外释放。
-
新增
credentialsReapplyInterval配置,可以设置凭证重新应用的间隔时间,增强了连接安全性。
序列化支持扩展
Kryo5Codec现在支持JDK原子对象的序列化,这使得在分布式环境中使用Java原子类(如AtomicInteger、AtomicLong等)更加方便。
重要变更与改进
默认行为调整
useScriptCache配置项现在默认为true,这意味着Redisson会自动缓存Lua脚本以提高性能,减少网络开销。
性能与稳定性优化
-
修复了
RBatch批量操作中异常处理的问题,现在异常对象会正确包含所有被抑制的异常。 -
解决了
RKeys.unlinkByPattern()和RKeys.deleteByPattern()方法处理非ASCII字符键名的问题。 -
修复了
RenewalTask可能抛出IndexOutOfBoundsException的问题。 -
改进了
CommandAsyncService.syncedEval()方法对备用节点的更新逻辑。
特定框架集成改进
对于使用Micronaut框架的开发者,修复了异步缓存中expire-after-write和expire-after-access设置不生效的问题。
开发者注意事项
-
不兼容变更:Spring Cloud Stream Binder的队列实现已替换为
RReliableQueue,相关应用需要评估影响。 -
API变更:
RedisPubSubConnection的removeListener()和addListener()方法签名发生了变化,需要检查相关代码。 -
废弃提醒:
RDelayedQueue和RBoundedBlockingQueue已被标记为废弃,建议规划迁移到新的可靠队列实现。
总结
Redisson 3.46.0版本通过引入可靠队列、增强分布式锁功能以及多项稳定性改进,进一步提升了其在分布式系统开发中的实用性和可靠性。这些改进使得Redisson在处理高并发、分布式事务等场景时更加稳健,为开发者提供了更强大的工具来构建分布式应用。建议现有用户评估升级,特别是那些对消息可靠性要求高的应用场景。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00